本文主要研究了脉冲耦合神经网络(PCNN--Pulse Coupled Neural Network)在模式识别中的应用。首先结合PCNN的同步脉冲发放和侧抑制特性，提出了基于改进型PCNN的图像凹点检测算法，该算法是一种自适应而有效的图像凹点检测方法，并且较好地仿真了人类视觉系统；然后，结合信息传递和信息耦合特性，将PCNN扩展成PCNNs(PCNN网络群)，提出了一种基于PCNNs的图像融合算法，能够将多个传感器获取的同一目标的图像信息融合到一幅图像中，有效模拟了人类视觉系统；另外，结合PCNN的同步脉冲发放特性、捕获特性和波的传播竞争特性，开拓地将PCNN用于模式分类中，提出了基于耦合神经元点火捕获／抑制特性的分类方法和改进的约束距离下的PCNN分类方法，前者可实现对样本空间中任意复杂分布训练样本的稳健非线性分类，而后者能够消除训练样本中刺点对分类的影响；最后，结合累积差分图像思想、PCNN波的形成与传播特性，通过各神经元之间连接取向来选择与控制自动波的流向，将PCNN用于运动视觉分析中的运动轨迹模拟及运动方向检测。这些算法不仅是对PCNN潜质的深度挖掘，同时也是对PCNN在模式识别应用中的有益探索。